基于射频信号的人体心率估计方法技术

基于射频信号的人体心率估计方法，提升了心率预测的实时性。基于1.2s的短时间样本数据进行心率预测，可减少从雷达数据采集到心率估计的时间间隔，实时性比传统方法有较大提升；降低了人员位移对预测准确率的影响，提升了心率预测系统的鲁棒性；本方法对FMCW雷达射频数据进行Range

【技术实现步骤摘要】
基于射频信号的人体心率估计方法


[0001]本专利技术属于人体生命体征监测领域，具体涉及一种基于射频信号的人体心率估计方法。

技术介绍

[0002]心率是人体生命体征的重要指标，也是不少疾病的诊疗参考依据。传统的心率测量一般采用接触式设备，其精度较高，但使用不够便捷，对病患的动作及活动也有较多限制，还存在一定的接触感染风险。因此，基于射频信号的非接触式心率监测技术日益受到科研人员的重视。由于FMCW雷达穿透能力强，距离分辨率高，且成本较低，是理想的射频硬件设备，因此近年来越来越多的非接触式心率监测研究基于FMCW雷达展开，并成为研究的主流与热点。如参考文献(Alizadeh M,ShakerG,DeAlmeidaJCM,etal.Remotemonitoringofhuman vitalsignsusingmm
‑
waveFMCWradar[J].IEEEAccess,2019,7:54958
‑
54968.)。
[0003]非接触式心率监测的主要技术挑战是，心率信号在呼吸及其谐波的强干扰下会变得较为微弱，从而导致心率估算不准确。目前的处理方法主要有直流偏移、带通滤波、最优频率估计等。这些方法能够滤除大部分呼吸的基频，但仍可能保留部分呼吸的谐波，从而导致提取的心率信号并不纯净，影响后续心率的估计。

技术实现思路

[0004]针对上述问题，本专利技术引入深度残差网络对FMCW雷达采集的信号数据进行学习，提出了一种基于射频信号的非接触式心率估计方法。该方法基于深度残差网络ResNet，将雷达相位数据作为残差网络的输入。由于心跳信号往往淹没在呼吸导致的胸腔震动信号及其谐波当中，传统信号处理方法难以将心跳信号还原，因此本方法借助深度学习网络来应对此问题。另外，本方法基于短时间的样本数据来进行心率预测，可大幅减少观测时间，提高系统的实时性。
[0005]基于射频信号的人体心率估计方法，包括如下步骤：
[0006]步骤1：数据采集；
[0007]使用FMCW雷达与ECG模拟心电传感器对目标人员进行观测；FMCW雷达发出指定频段的射频信号；射频信号与被人体反射的回波信号，经混频器mixer计算后得到雷达中频IF信号数据；ECG传感器采集目标人员实时心率；将得到的IF信号数据与实时心率数据存于一个数据文件中；
[0008]步骤2：使用距离傅里叶变换构建数据集；
[0009]对步骤1得到的IF信号使用距离傅里叶变换Range
‑
FFT，得到被监测人员的位置信息及雷达信号相位；根据矩阵中人员所在位置提取雷达相位数据，并将相位数据与同时刻的ECG心率数据相关联，从而完成样本数据集的创建；
[0010]步骤3：构建并训练基于ResNet50的心率预测网络；
[0011]以ResNet50作为心率预测网络的主架构，以步骤2创建的样本数据集作为输入，使用随机梯度下降优化器对网络进行训练；其输出结果设置为单一数值，即预测出的实时心率；在经过多次随机梯度下降训练后，选择准确率大于90％的网络模型参数保存；
[0012]步骤4：应用训练好的网络模型进行实时心率预测；
[0013]加载步骤3保存的网络模型参数，并对雷达信号数据进行实时采集；当数据采集时长满足条件后，输入训练好的网络模型进行预测计算，并将得到的结果输出给用户；在预测过程中，利用Range
‑
FFT得到的人员位置信息作为参考信息，如果人员位置的变动超过设定阈值，则舍弃相应的数据，仍采用上一时刻的预测心率作为输出，并及时提示用户。
[0014]本专利技术的有益效果：
[0015](1)提升了心率预测的实时性。本方法基于1.2s的短时间样本数据进行心率预测，可减少从雷达数据采集到心率估计的时间间隔，实时性比传统方法有较大提升。
[0016](2)降低了人员位移对预测准确率的影响，提升了心率预测系统的鲁棒性。本方法对FMCW雷达射频数据进行Range
‑
FFT变换时，利用得到的人员位置信息作为参考，以此判断被监测人员是否发生较大幅度的移动，并丢弃移动幅度过大的数据，可以减少预测的误差，提升系统的健壮性。
[0017](3)现有FMCW雷达预测心率的方法大多选用卷积神经网络(CNN，ConvolutionalNeuralNetwork)作为深度网络架构，本方法引入的残差网络有利于解决CNN带来的梯度爆炸、梯度消失以及退化问题，从而提升深度神经网络的训练效率，增强训练过程的鲁棒性。
附图说明
[0018]图1是本专利技术实施例中的数据采集操作示意图。
[0019]图2是本专利技术实施例中的数据集的制作流程图。
[0020]图3是本专利技术实施例中的心率预测网络模型架构图。
[0021]图4是本专利技术实施例中的心率预测网络中的残差块架构图。
具体实施方式
[0022]下面结合说明书附图对本专利技术的技术方案做进一步的详细说明。
[0023]基于射频信号的人体心率估计方法，包括如下步骤：
[0024]步骤1，数据采集。
[0025]本实施例中共采集两类原始数据，其过程如图1所示。第一类数据是雷达信号数据，它由FMCW多天线雷达发射，经过被测人体反射后由多天线接收，此反射信号含有人体胸腔的微小振动。第二类数据是ECG心率数据，由ECG传感器连接人体，测量得到目标人员的实时心率数据。两类数据采集的具体步骤如下。
[0026](1)雷达信号数据。FMCW雷达生成一个线性调频脉冲，经过发射器发出脉冲。两个脉冲发射的间隔时间为一个雷达帧，本实施例将雷达帧的时长设定为0.05s。假设雷达发射信号为s(t)，当脉冲信号到达目标人员时，人体充当反射器的作用，将胸腔震动所调制的脉冲信号反射，并由接收器接收，记接收信号为r(t)。发射信号s(t)和接收信号r(t)分别如公式(1)、(2)所示。
[0027]s(t)＝A
s
exp(2πf
c
+πKt2)(1)
[0028]r(t)＝A
r
exp[2πf
c
(t
‑
t
d
)+πK(t
‑
t
d
)2](2)
[0029]其中，f
c
和K为发射信号的初始频率和频率增长斜率，t
d
为信号往返时间。A
s
与A
r
分别为发射信号与接收信号的幅值。
[0030]发射信号s(t)与接收信号r(t)经过混频器处理，得到IF信号y(t)如公式(3)所示。
[0031]y(t)＝A
s
A
r
exp(2πf
c
t
d
+2πKt
d
t
‑
πKt
2d
)≈A
s
A...

【技术保护点】

【技术特征摘要】
1.基于射频信号的人体心率估计方法，其特征在于：包括如下步骤：步骤1：数据采集；使用FMCW雷达与ECG模拟心电传感器对目标人员进行观测；FMCW雷达发出指定频段的射频信号；射频信号与被人体反射的回波信号，经混频器mixer计算后得到雷达中频IF信号数据；ECG传感器采集目标人员实时心率；将得到的IF信号数据与实时心率数据存于一个数据文件中；步骤2：使用距离傅里叶变换构建数据集；对步骤1得到的IF信号使用距离傅里叶变换Range
‑
FFT，得到被监测人员的位置信息及雷达信号相位；根据矩阵中人员所在位置提取雷达相位数据，并将相位数据与同时刻的ECG心率数据相关联，从而完成样本数据集的创建；步骤3：构建并训练基于ResNet50的心率预测网络；以ResNet50作为心率预测网络的主架构，以步骤2创建的样本数据集作为输入，使用随机梯度下降优化器对网络进行训练；其输出结果设置为单一数值，即预测出的实时心率；在经过多次随机梯度下降训练后，选择准确率大于90％的网络模型参数保存；步骤4：应用训练好的网络模型进行实时心率预测；加载步骤3保存的网络模型参数，并对雷达信号数据进行实时采集；当数据采集时长满足条件后，输入训练好的网络模型进行预测计算，并将得到的结果输出给用户；在预测过程中，利用Range
‑
FFT得到的人员位置信息作为参考信息，如果人员位置的变动超过设定阈值，则舍弃相应的数据，仍采用上一时刻的预测心率作为输出，并及时提示用户。2.根据权利要求1所述的基于射频信号的人体心率估计方法，其特征在于：步骤1中，对于雷达信号数据，FMCW雷达生成一个线性调频脉冲，经过发射器发出脉冲；两个脉冲发射的间隔时间为一个雷达帧，设雷达发射信号为s(t)，当脉冲信号到达目标人员时，人体充当反射器的作用，将胸腔震动所调制的脉冲信号反射，并由接收器接收；设接收信号为r(t)，将发射信号s(t)与接受信号r(t)经过混频器处理，得到IF信号y(t)，再经模/数转换器ADC处理，生成y(t)的数字信号；该数字信号以二维矩阵的形式保存；二维矩阵的列宽由ADC采样频率决定，行数由观测时间内雷达帧的个数决定。3.根据权利要求1所述的基于射频信号的人体心率估计方法，其特征在于：步骤2中，Range
‑
FFT变换是对雷达数据二维矩阵的每一行做快速傅里叶变换，变换后得到每一帧被监测人员的...

【专利技术属性】
技术研发人员：相亚杉，陈翌一，尹柯鑫，陈铭，郭剑，孙苏云，钟焱龙，张勤，韩崇，王娟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：